Ειδικά Μαθήματα Βοτανικής
Ειδικά Μαθήματα Βοτανικής
- 1 Βασικές προϋποθέσεις
- 2 Εγκατάσταση και φόρτωση βιβλιοθηκών
- 3 Διανυσματικά δεδομένα
- 4 Δεδομένα θέσης
- 5 Αξιολόγηση κατά IUCN
- 6 Εκτίμηση κινδύνου εξαφάνισης - Εισαγωγικές έννοιες
- 7 Εκτίμηση κινδύνου εξαφάνισης - Στην πράξη
- 7.1 Φόρτωση των απαραίτητων βιβλιοθηκών
- 7.2 Φόρτωση των δεδομένων θέσης
- 7.3 Μορφοποιήση των δεδομένων
- 7.4 Μετατροπή σε μήτρα (matrix)
- 7.5 Εκτίμηση περιοχής κατάληψης (Area of Occupancy)
- 7.6 Εκτίμηση περιοχής εμφάνισης (Extent of Occurrence)
- 7.7 Εκτίμηση περιοχής κατάληψης (Area of Occupancy) στο μέλλον
- 7.8 Εκτίμηση περιοχής εμφάνισης (Extent of Occurrence) στο μέλλον
- 7.9 Αξιολόγηση με βάση πληθυσμιακά κριτήρια
- 8 Ταχεία και μαζική αξιολόγηση ειδών κατά IUCN – The PACA approach
- 9 Εργασία για το σπίτι
- Βιβλιογραφία
Όλα τα απαιτούμενα δεδομένα και αρχεία είναι ελεύθερα διαθέσιμα στο διαδίκτυο.
1 Βασικές προϋποθέσεις
Εννοείται ότι πριν ξεκινήσουμε να κάνουμε το οτιδήποτε, έχουμε δημιουργήσει ένα νέο project στο R-Studio, το όνομα του οποίου - για λόγους τους οποίους θα καταλάβετε αργότερα - ΔΕΝ πρέπει να περιέχει:
1. ελληνικούς χαρακτήρες
2. κενά (αντικαταστήστε τα κενά με _)
Το ίδιο ισχύει ΚΑΙ για το file path του εν λόγω φακέλου (π.χ., όχι ‘E:/Ειδικά Μαθήματα Βοτανικής/IUCN’, αλλά ’E:/Eidika_Mathimata_Botanikis/IUCN).
Ένα άλλο κρίσιμο σημείο είναι το εξής: θα χρειαστεί να εγκαταστήσετε τις βιβλιοθήκες που πρόκειται να χρησιμοποιήσετε σε αυτό το tutorial1.
2 Εγκατάσταση και φόρτωση βιβλιοθηκών
Ας εγκαταστήσουμε τις απαιτούμενες βιβλιοθήκες πρώτα:
## ===========================================================================##
## Install the main packages
## ===========================================================================##
install.packages(c("ConR", "red", "rasterVis", "ggspatial"), dependencies = T)
## ===========================================================================##Και στη συνέχεια ας φορτώσουμε τις βιβλιοθήκες που χρειαζόμαστε για αυτήν την εργαστηριακή άσκηση:
## ===========================================================================##
## Load them
## ===========================================================================##
pacman::p_load(tidyverse, rgbif, raster, ggspatial, rgeos, rgdal, sf, scales,
red, scrubr, mapr, rasterVis, ConR, rasterVis)
## ===========================================================================##3 Διανυσματικά δεδομένα
3.1 Σύνορα χωρών
Θα χρησιμοποιήσουμε την ελεύθερα προσβάσιμη, διαδικτυακή βάση δεδομένων GADM προκειμένου να κατεβάσουμε τα σύνορα της χώρας που μας ενδιαφέρει.
## ===========================================================================##
## Download the data for Greece
## ===========================================================================##
## There are three levels available, you are free to explore them
Greece <- getData("GADM", country = "GRC", level = 3)
## ===========================================================================#### ===========================================================================##
## Convert it to an sf spatial object
## ===========================================================================##
Greece_sf <- Greece %>% st_as_sf()
## ===========================================================================##4 Δεδομένα θέσης
4.1 Διαδικτυακή βάση δεδομένων GBIF
Ας κατεβάσουμε τώρα δεδομένα θέσης για όλα τα φυτικά είδη τα οποία απαντώνται στην Ελλάδα και περιέχονται στην διαδικτυακή βάση δεδομένων GBIF:
##============================================================================##
## Use the name_suggest function to get the gbif taxon key
##============================================================================##
tax_key <- name_suggest(q = "Magnoliopsida", rank = "Class")
##============================================================================##
##============================================================================##
## Sometimes groups have multiple taxon keys, so we will
## check how many records are available for them
##============================================================================##
lapply(tax_key$key, "occ_count")## [[1]]
## [1] 2e+08
##============================================================================##
## The first one is relevant
##============================================================================##
tax_key <- tax_key$key[1]
##============================================================================##
##============================================================================##
## How many plant taxa occur in Greece and are present in GBIF?
##============================================================================##
occ_count(tax_key, country = "GRC")## [1] 0
##============================================================================##
## Let's download some plant species for Greece
##============================================================================##
data_gr <- occ_search(taxonKey = tax_key,
return = "data",
hasCoordinate = T, ## We only want data with coordinates
country = 'GR',
limit = 10000) %>%
as_tibble() ## Convert to tibble for pretty formatting4.2 Οπτικοποίηση
Είμαστε πλέον σε θέση να αναπαραστήσουμε γραφικά τα δεδομένα τα οποία έχουμε κατεβάσει. Ας δούμε πρώτα πόσες θέσεις εμφάνισης έχουμε για κάθε ταξινομική βαθμίδα (taxonRank), καθώς και ποια ερευνητικά ιδρύματα φιλοξενούν αυτά τα φυτικά είδη (instituionCode).
## ============================================================================##
## Taxonomic rank
## ============================================================================##
data_gr %>% count(taxonRank)| taxonRank | n |
|---|---|
| FAMILY | 3 |
| FORM | 5 |
| GENUS | 186 |
| SPECIES | 9219 |
| SUBSPECIES | 564 |
| VARIETY | 23 |
## ============================================================================##
## Institution code
## ============================================================================##
data_gr %>% count(institutionCode, sort = TRUE)| institutionCode | n |
|---|---|
| iNaturalist | 5458 |
| naturgucker | 3263 |
| B | 770 |
| NA | 368 |
| GJO | 129 |
| http://www.tela-botanica.org | 5 |
| W | 5 |
| TAA | 1 |
| WU | 1 |
Στη συνέχεια, ας δούμε ποια Κλάση (Order), ποια Οικογένεια (Family), ποιο Γένος (Genus) και ποιο Είδος (Species) έχουν τις περισσότερες θέσεις εμφάνισης στην Ελλάδα, σύμφωνα με την βάση GBIF.
## ============================================================================##
## Order
## ============================================================================##
data_gr %>% count(order, sort = TRUE) %>% drop_na(order) %>% filter(n > 10) %>%
ggplot(aes(x = reorder(order, n), y = n, fill = order)) + geom_bar(stat = "identity",
show.legend = FALSE) + labs(x = "Order", y = "Number of Occurrence Records (observations)") +
coord_flip()## ============================================================================##
## Family
## ============================================================================##
data_gr %>% count(family, sort = TRUE) %>% drop_na(family) %>% filter(n > 30) %>%
ggplot(aes(x = reorder(family, n), y = n, fill = family)) + geom_bar(stat = "identity",
show.legend = FALSE) + labs(x = "Family", y = "Number of Occurrence Records (observations)") +
coord_flip()## ============================================================================##
## Genus
## ============================================================================##
data_gr %>% count(genus, sort = TRUE) %>% drop_na(genus) %>% filter(n > 50) %>%
ggplot(aes(x = reorder(genus, n), y = n, fill = genus)) + geom_bar(stat = "identity",
show.legend = FALSE) + labs(x = "Genus", y = "Number of Occurrence Records (observations)") +
coord_flip()## ============================================================================##
## Species
## ============================================================================##
data_gr %>% count(species, sort = TRUE) %>% drop_na(species) %>% filter(n >
40) %>% ggplot(aes(x = reorder(species, n), y = n, fill = species)) + geom_bar(stat = "identity",
show.legend = FALSE) + labs(x = "Species", y = "Number of Occurrence Records (observations)") +
coord_flip()Ποιο είδος του γένους Euphorbia έχει τις περισσότερες θέσεις εμφάνισης στην Ελλάδα;
## ============================================================================##
## The solution
## ============================================================================##
data_gr %>% count(genus, species, sort = TRUE) %>% drop_na(species) %>% filter(genus ==
"Euphorbia") %>% filter(n > 5) %>% ggplot(aes(x = reorder(species, n), y = n,
fill = species)) + geom_bar(stat = "identity", show.legend = FALSE) + labs(x = "Euphorbia species",
y = "Number of Occurrence Records (observations)") + coord_flip()5 Αξιολόγηση κατά IUCN
Η αξιολόγηση του κινδύνου εξαφάνισης ενός είδους βασίζεται στην τυποποιημένη διαδικασία που έχει αναπτυχθεί από την Διεθνή Ένωση για την Προστασία της Φύσης (IUCN) και αποτελεί την πλέον αντικειμενική και αναλυτική προσέγγιση για την ανάδειξη αξόνων προτεραιότητας για την διατήρηση των ειδών και οικοτόπων. Ο Ερυθρός Κατάλογος των Απειλούμενων Ειδών ή IUCN Red List of Threatened Species παρέχει πληροφορίες σχετικά με την ταξινόμηση, την κατανομή, καθώς και το καθεστώς διατήρησης των φυτικών και ζωικών ειδών του πλανήτη μας, βάσει των κριτηρίων και των κατηγοριών της IUCN (IUCN Red List Categories and Criteria). Ο κύριος στόχος της διαδικασίας αυτής είναι να προσδιορίσει τον ενδεχόμενο κίνδυνο εξαφάνισης ενός είδους και κατά συνέπεια, να αναδείξει τα είδη εκείνα τα οποία χρήζουν άμεσης προτεραιότητας για την διατήρηση τους (Stévart et al., 2019).
Η δημιουργία ενός Ερυθρού Καταλόγου απαιτεί αξιόπιστα δεδομένα και προσεκτική εφαρμογή όλων των κριτηρίων της IUCN – μια διαδικασία η οποία είναι ιδιαίτερα χρονοβόρα. Το γεγονός αυτό αντανακλάται από το ότι υπάρχουν σημαντικά κενά στα έως τώρα αξιολογηθέντα είδη από την IUCN, καθώς μόλις 28.114 φυτικά είδη έχουν αξιολογηθεί μέχρι σήμερα. Το κενό αυτό είναι απόρροια της εξαιρετικά μεγάλης ποικιλότητας των φυτικών ειδών. Συνεπώς, παρότι η IUCN είναι κοντά στον στόχο που είχε θέσει, να έχει αξιολογήσει δηλαδή 38.500 φυτικά είδη έως το 2020 (Bachman et al., 2018), εντούτοις, ο αριθμός αυτός αποτελεί μόλις το 10% της φυτικής ποικιλότητας του πλανήτη και του δεύτερου στόχου της Παγκόσμιας Στρατηγικής για την Διατήρηση της Φυτικής ποικιλότητας ( Global Strategy for Plant Conservation περισσότερες πληροφορίες εδώ). Το γεγονός αυτό ώθησε την επιστημονική κοινότητα να προσπαθήσει να βρει τρόπους ώστε να επιταχύνει την διαδικασία αυτή.
6 Εκτίμηση κινδύνου εξαφάνισης - Εισαγωγικές έννοιες
Όπως είπαμε, μέχρι στιγμής έχει αξιολογηθεί ένα πολύ μικρό ποσοστό της έως τώρα γνωστής βιοποικιλότητας:
Η πλειονότητα των χωρών που αντιμετωπίζουν τα μεγαλύτερα προβλήματα όσον αφορά την κατάσταση διατήρησης των φυτικών taxa τα οποία φιλοξενούν εντοπίζονται στις λιγότερο αναπτυγμένες χώρες του πλανήτη:
Σε ευρωπαϊκό επίπεδο δε, γνωρίζουμε ότι η κατάσταση έχει προς το παρόν διαμορφωθεί ως εξής:
Όπου μπορούμε να διαπιστώσουμε ότι οι χώρες της Μεσογειακής λεκάνης και ιδιαίτερα η Ελλάδα, θεωρούνται θερμά σημεία κινδύνου εξαφάνισης:
Με την κυριότερη απειλή να είναι η εντατικοποίηση της βόσκησης
Σύμφωνα με την IUCN, υπάρχουν 5 κατηγορίες κινδύνου εξαφάνισης2:
Ας τα δούμε πιο αναλυτικά:
7 Εκτίμηση κινδύνου εξαφάνισης - Στην πράξη
7.1 Φόρτωση των απαραίτητων βιβλιοθηκών
Ας φορτώσουμε τις βιβλιοθήκες που είναι απαραίτητες για την κυρίως ανάλυση των δεδομένων μας:
library(easypackages)
libraries("raster", "red", "dplyr", "rasterVis", "magrittr")7.2 Φόρτωση των δεδομένων θέσης
Τώρα θα φορτώσουμε το set δεδομένων μας.
Στην περίπτωση που δεν έχετε κατεβάσει ήδη τα απαραίτητα αρχεία, κάντε το τώρα:
cretan_taxa <- readxl::read_excel("./PVA.xlsx") %>% dplyr::rename(decimalLongitude = lon,
decimalLatitude = lat)
cretan_taxa$Taxon <- factor(cretan_taxa$Taxon)
levels(cretan_taxa$Taxon)## [1] "Allium dilatatum"
## [2] "Campanula jacquinii subsp. jacquinii"
## [3] "Tulipa doerfleri"
7.3 Μορφοποιήση των δεδομένων
Το πρώτο πράγμα το οποίο θα χρειαστεί να κάνουμε, είναι να μορφοποιήσουμε με τον κατάλληλο τρόπο τα δεδομένα μας, ώστε να μπορέσουμε να τρέξουμε τις εντολές από την βιβλιοθήκη red. Θα χρειαστεί να φτιάξουμε τρια αντικείμενα, ένα για κάθε είδος το οποίο μας ενδιαφέρει και για το οποίο έχουμε δεδομένα. Σήμερα θα ασχοληθούμε τρια από τα τοπικά νησιωτικά ενδημικά της Κρήτης, το Allium dilalatum, την Campanula jacquinii subsp. jacquinii και την Tulipa doerfleri.
Το είδος Allium dilalatum
Το είδος Campanula jacquinii subsp. jacquinii
Το είδος Tulipa doerfleri
## ==================================================================================##
## Create 3 objects
## ==================================================================================##
all_dila <- cretan_taxa %>% filter(Taxon == "Allium dilatatum")
camp_jac <- cretan_taxa %>% filter(Taxon == "Campanula jacquinii subsp. jacquinii")
tul_doer <- cretan_taxa %>% filter(Taxon == "Tulipa doerfleri")
all_dila| Taxon | decimalLongitude | decimalLatitude |
|---|---|---|
| Allium dilatatum | 24.23333 | 35.23333 |
| Allium dilatatum | 23.96667 | 35.30000 |
| Allium dilatatum | 25.65000 | 35.05000 |
| Allium dilatatum | 24.40000 | 35.21667 |
| Allium dilatatum | 24.06667 | 35.21667 |
| Allium dilatatum | 24.08333 | 35.23333 |
| Allium dilatatum | 24.01667 | 35.21667 |
| Allium dilatatum | 24.08333 | 35.25000 |
| Allium dilatatum | 24.41667 | 35.18333 |
| Allium dilatatum | 25.58333 | 35.30000 |
| Allium dilatatum | 24.40000 | 35.20000 |
| Allium dilatatum | 24.03333 | 35.25000 |
| Allium dilatatum | 24.81667 | 35.15000 |
| Allium dilatatum | 25.95000 | 35.08333 |
7.4 Μετατροπή σε μήτρα (matrix)
Πρέπει να μετατρέψουμε τα ανωτέρω αντικείμενα σε μήτρα προκειμένου να είναι συμβατά με την βιβλιοθήκη red:
all_dila_mat <- all_dila %>% dplyr::select(decimalLongitude:decimalLatitude) %>%
as.matrix()
camp_jac_mat <- camp_jac %>% dplyr::select(decimalLongitude:decimalLatitude) %>%
as.matrix()
tul_doer_mat <- tul_doer %>% dplyr::select(decimalLongitude:decimalLatitude) %>%
as.matrix()7.5 Εκτίμηση περιοχής κατάληψης (Area of Occupancy)
Τώρα είμαστε σε θέση να υπολογίσουμε την παρούσα περιοχή κατάληψης των ειδών που μας ενδιαφέρουν:
aoo(all_dila_mat)
aoo(camp_jac_mat)
aoo(tul_doer_mat)7.6 Εκτίμηση περιοχής εμφάνισης (Extent of Occurrence)
Τώρα είμαστε σε θέση να υπολογίσουμε την παρούσα περιοχή εμφάνισης των ειδών που μας ενδιαφέρουν:
eoo(all_dila_mat)
eoo(camp_jac_mat)
eoo(tul_doer_mat)7.7 Εκτίμηση περιοχής κατάληψης (Area of Occupancy) στο μέλλον
Προκειμένου να υπολογίσουμε την παρούσα περιοχή κατάληψης των ειδών που μας ενδιαφέρουν, θα χρειαστεί να φορτώσουμε την πρόβλεψη για την κατάσταση τους στο μέλλον και δη για το έτος 2070^[Για να το κάνετε εσείς αυτό στο σπίτι, θα χρειαστεί να φορτώσετε τα αντίστοιχα αντικείμενα από το είδος το οποίο είχατε αναλύσει στην προηγούμενη εργαστηριακή άσκηση):
## ==================================================================================##
## Load the rds files
## ==================================================================================##
allium_future <- stack(readRDS("./RDS/Allium future.rds"))
campanula_future <- stack(readRDS("./RDS/Campanula future.rds"))
tulipa_future <- stack(readRDS("./RDS/Tulipa future.rds"))
## ==================================================================================##
## ==================================================================================##
## Area of occupancy
## ==================================================================================##
aoo(allium_future)
aoo(campanula_future)
aoo(tulipa_future)
## ==================================================================================##7.8 Εκτίμηση περιοχής εμφάνισης (Extent of Occurrence) στο μέλλον
Ας υπολογίσουμε την παρούσα περιοχή εμφάνισης των ειδών που μας ενδιαφέρουν:
eoo(allium_future)
eoo(campanula_future)
eoo(tulipa_future)Τι παρατηρείτε; Υπάρχει διαφορά σε σχέση με την παρούσα κατάσταση; Πώς θα χαρακτηρίζατε τα είδη αυτά σύμφωνα με τις κατηγορίες κινδύνου εξαφάνισης της IUCN;
7.9 Αξιολόγηση με βάση πληθυσμιακά κριτήρια
Έστω ότι το είδος Allium dilalatum αριθμούσε τα έτη 2012-2015 2400, 2300, 2250, και 2290 ώριμα άτομα, αντίστοιχα, με μέγιστο αριθμό ώριμων ατόμων στον μεγαλύτερο πληθυσμό 240 άτομα.
Με βάση αυτές τις πληροφορίες και σε συνδυασμό με τα ανωτέρω, σε ποια κατηγορία κινδύνου εξαφάνισης, θα το τοποθετούσατε;
8 Ταχεία και μαζική αξιολόγηση ειδών κατά IUCN – The PACA approach
Πρόσφατα, προτάθηκε μια νέα προσέγγιση που βασίζεται στα κριτήρια της IUCN και παρέχει την δυνατότητα ταχείας και μαζικής αξιολόγησης των ειδών μιας περιοχής/χώρας (Dauby et al., 2017; Stévart et al., 2019). Η προσέγγιση αυτή ονομάζεται Preliminary Automated Conservation Assessments (PACA) και αυτή θα χρησιμοποιήσουμε σήμερα.
##============================================================================##
## First, let's select only the required columns
##============================================================================##
data_gr_sel <- data_gr %>% dplyr::select(decimalLatitude, decimalLongitude,
scientificName)
##============================================================================##
##============================================================================##
## Then, let's evaluate our taxa
##============================================================================##
greece_iucn_eval <- IUCN.eval(data_gr_sel,
## Here we use the spatial object for the country
## we want
country_map = Greece,
## We can run the function in parallel to save
## time
parallel = T,
## Change the number of cores accordingly
NbeCores = 23 ) %>%
## Here we create a new column (EOO_tr) and we substitute the NA values with
## the values from the AOO column (Why?)
mutate(EOO_tr = ifelse(is.na(EOO),
AOO,
EOO)) %>%
as_tibble() %>%
dplyr::select(taxa,
EOO_tr,
everything())##
|
| | 0%[1] "Number of species per category"
##
## CR EN LC or NT VU
## 884 705 136 193
## [1] "Ratio of species per category"
##
## CR EN LC or NT VU
## 46.1 36.8 7.1 10.1
##============================================================================##
## Let's see the result
##============================================================================##
# greece_iucn_evalΜε αυτόν τον τρόπο λοιπόν, αξιολογήσαμε το καθεστώς κινδύνου εξαφάνισης όλων των ειδών που είχαμε κατεβάσει από την GBIF. Όμως, θα πρέπει να θυμάστε ότι αυτή η διαδικασία που ακολουθήσαμε είναι για σκοπούς επίδειξης και μόνο, καθώς απαιτούνται πολύ περισσότερα στάδια προκειμένου να αξιολογηθεί ένα είδος σύμφωνα με όλα τα κριτήρια της IUCN.
Μπορούμε επίσης να υπολογίσουμε και να αποθηκεύσουμε στον σκληρό μας δίσκο τα πολύγωνα της περιοχής εμφάνισης (Extent of Occurrence) για κάθε είδος, βασιζόμενοι σε δύο μεθόδους προσδιορισμού του πολυγώνου αυτού: την convex- και την alpha-hull μέθοδο (Εάν θέλετε, μπορείτε να διαβάσετε αυτήν την εργασία, εάν ενδιαφέρεστε να μάθετε κάτι περισσότερο σχετικά με τις μεθόδους αυτές).
##============================================================================##
## First we run the convex-hull method
##============================================================================##
eooshp_convexhull <- EOO.computing(data_gr_sel,
exclude.area = T,
country_map = Greece,
export_shp = T,
write_shp = T,
Name_Sp = 'scientificName',
parallel = T,
NbeCores = 4, ## Change them
show_progress = T,
method.less.than3 = 'arbitrary') ## What does this option mean?
convexhull <- eooshp_convexhull$spatial.polygon_1
##============================================================================##
##============================================================================##
## Then the alpha-hull method
##============================================================================##
eooshp_ahull <- EOO.computing(data_gr_sel,
exclude.area = T,
country_map = Greece,
export_shp = T,
write_shp = T,
Name_Sp = 'scientificName',
parallel = T,
NbeCores = 4, ## Change them
show_progress = T,
method.less.than3 = 'arbitrary',
method.range = 'alpha.hull')
ahull <- eooshp_ahull$spatial.polygon_1
##============================================================================##8.1 Χωρικά πρότυπα του κινδύνου εξαφάνισης
Ας δούμε τώρα ποια περιοχή της Ελλάδας εμφανίζει το υψηλότερο ποσοστό κινδυνευόντων φυτικών ειδών:
##============================================================================##
## First create a common column and then join the occurrences with the
## evaluations
##============================================================================##
greece_iucn_eval$scientificName <- greece_iucn_eval$taxa
data_joined <- full_join(data_gr, greece_iucn_eval)
##============================================================================##
##============================================================================##
## Then select only the endangered taxa (CR, EN, VU)
##============================================================================##
endangered <- data_joined %>% filter(!str_detect(Category_code, 'LC'))
##============================================================================##
##============================================================================##
## Convert Greece to an sf spatial object
##============================================================================##
Greece_sf <- Greece %>% st_as_sf()
##============================================================================##
##============================================================================##
## Convert the endangered species to a sf spatial object
##============================================================================##
data_gr_sf <- st_as_sf(endangered, coords = c("decimalLongitude", "decimalLatitude"),
crs = 4326)
##============================================================================##
##============================================================================##
## Make sure that all these occurrences lie within Greece
##============================================================================##
point_endangered <- data_gr_sf[Greece_sf,]
##============================================================================##
##============================================================================##
## Intersect Greece with these occurrences
##============================================================================##
endangered_intersection <- Greece_sf %>%
st_join(point_endangered) %>%
group_by(NAME_3) %>% ## Here we group the data based on the county names
## First we create a variable containing the sum of the species in each county
summarize(Species_Number = sum(NROW(unique(scientificName))),
## Then we just sum the number of occurrences in each county
Occurrence_Number = n(),
## Finally, we calculate the proportion of the endangered species in
## each county
Risk = sum(NROW(unique(scientificName)))/sum(NROW(unique(data_joined$scientificName)))*100
)
##============================================================================##
##============================================================================##
## And we finally plot it
##============================================================================##
ggplot(Greece_sf) +
geom_sf(fill = "antiquewhite1") +
geom_sf() +
geom_sf(data = Greece_sf,
fill = NA) +
geom_sf(aes(fill = Risk),
data = endangered_intersection,
inherit.aes = FALSE) +
theme(axis.title = element_blank(),
legend.position = "bottom") +
scale_fill_viridis_c(option = "viridis", trans = "sqrt")Ποια περιοχή της Ελλάδας φιλοξενεί τα περισσότερα κινδυνεύοντα είδη;
9 Εργασία για το σπίτι
Έχετε διορία δεκατεσσάρων (14) ημερών να στείλετε την εργασία σας σε μορφή PDF3 σε αυτό το e-mail και να απαντήσετε στα ακόλουθα ερωτήματα:
- Φορτώστε τα τελικά δεδομένα θέσης από την προηγούμενη εργαστηριακή άσκηση, καθώς και τα αρχεία rds που είχατε δημιουργήσει.
- Υπολογίστε την παρούσα περιοχή εμφάνισης και κατάληψης.
- Υπολογίστε την μελλοντική περιοχή εμφάνισης και κατάληψης. Τι παρατηρείτε;
- Πώς θα χαρακτηρίζατε το είδος σας βάσει των κατηγοριών κινδύνου εξαφάνισης της IUCN;
- Βάσει των πληροφοριών που θα σας δώσω, χαρακτηρίστε το είδος σας βάσει των κατηγοριών κινδύνου εξαφάνισης της IUCN.
- Παραθέστε πληροφορίες σχετικά με το είδος σας.
- Κατεβάστε βιοτικά δεδομένα (δηλαδή, δεδομένα θέσης) για όποια χώρα εσείς επιθυμείτε.
- Ποια Κλάση, Οικογένεια, Γένος και Είδος έχει τις περισσότερες θέσεις εμφάνισης; Απεικονίστε το γραφικά για κάθε ταξινομική βαθμίδα.
- Αξιολογήστε τα είδη αυτά σύμφωνα με το κριτήριο Β της IUCN. Πόσα είδη εντάσσονται σε κάθε κατηγορία κινδύνου;
- Ποια περιοχή της χώρας εμφανίζει το υψηλότερο ποσοστό κινδυνευόντων ειδών; Απεικονίστε το γραφικά.
Βιβλιογραφία
Bachman, S.P., Nic Lughadha, E.M., & Rivers, M.C. (2018) Quantifying progress toward a conservation assessment for all plants. Conservation biology, 32, 516–524.
Dauby, G., Stévart, T., Droissart, V., Cosiaux, A., Deblauwe, V., Simo-Droissart, M., Sosef, M.S., Lowry, P.P., Schatz, G.E., Gereau, R.E., & others (2017) ConR: An r package to assist large-scale multispecies preliminary conservation assessments using distribution data. Ecology and evolution, 7, 11292–11303.
Stévart, T., Dauby, G., Lowry, P., Blach-Overgaard, A., Droissart, V., Harris, D., Mackinder, B., Schatz, G., Sonké, B., Sosef, M., & others (2019) A third of the tropical african flora is potentially threatened with extinction. Science Advances, 5, eaax9444.
υπάρχουν δύο τρόποι για να το κάνετε αυτό γρήγορα:
1.library(easypackages) packages('package_name_1', 'package_name_2')
2.install.packages(c('package_name_1', 'package_name_2'), dependecies = TRUE)↩Υπάρχουν δύο κατηγορίες ακόμα, όμως τα είδη τα οποία εμπίπτουν σε αυτές δεν αντιμετωπίζουν ακόμα εμφανή κίνδυνο↩
Διαφορετικά δεν θα γίνει δεκτή και δεν θα βαθμολογηθείτε↩